PulseAugur
中
实时 03:16:30
English(EN) Shiva-DiT: Residual-Based Differentiable Top-$k$ Selection for Efficient Diffusion Transformers

新方法加速 Diffusion Transformers 以实现更快的图像生成 · 2 篇论文

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文提出加速 Diffusion Transformers (DiTs) 的方法，DiTs 在高分辨率图像和视频生成方面计算量很大。第一篇论文 Shiva-DiT 提出了一种基于残差的可微分 top-k 选择方法，实现了端到端可学习和确定的 token 数量，在 SD3-Medium 上实现了高达 1.54 倍的速度提升，同时保持了可比的保真度。第二篇论文 BaryCache 提出了一种使用重心外插器进行训练的加速技术，该外插器可以预测采样步数，在内存使用和感知质量之间提供了有利的权衡，速度提升高达 3.30 倍。 AI

影响 这些方法可以显著降低使用 Diffusion Transformers 生成高分辨率图像和视频的计算成本和延迟。

排序理由 两篇在 arXiv 上发表的学术论文，提出了加速 Diffusion Transformers 的新颖方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法加速 Diffusion Transformers 以实现更快的图像生成 · 2 篇论文

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
两篇在 arXiv 上发表的学术论文，提出了加速 Diffusion Transformers 的新颖方法。
Source corroboration
2 independent sources
Multiple independent publishers reporting the same story raises confidence that it's real and newsworthy.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
51 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Jiaji Zhang, Hailiang Zhao, Jiaju Wu, Ruichao Sun, Xinkui Zhao, Shuiguang Deng ·

    Shiva-DiT：基于残差的可微分 Top-$k$ 选择，用于高效的扩散 Transformer

    arXiv:2602.05605v2 Announce Type: replace-cross Abstract: Diffusion Transformers (DiTs) are costly at high resolution because self-attention scales quadratically with token sequence length. Existing pruning methods do not jointly provide end-to-end learnability, low training over…

  2. arXiv cs.CV TIER_1 English(EN) · Chengjie Lu, Tianchi Deng, Zhengqi He, Zhijian Gao, Huisi Wu, Xueliang Li ·

    Memory-Efficient Training-Free Acceleration of Diffusion Transformers with BaryCache

    arXiv:2608.28670v1 Announce Type: new Abstract: Diffusion Transformers achieve high-fidelity image and video generation, but their iterative sampling remains expensive, for each denoising step requires large matrix operations. Existing cache-based acceleration reduces redundant c…

相关实体

相关话题